- Day 1: AI ⊃ 머신러닝 ⊃ 딥러닝. 모든 딥러닝은 ML이지만, 모든 AI가 ML은 아니다.
- Day 2: 학습 유형은 정답 유무·보상 여부로 지도(분류/회귀)·비지도(군집/차원 축소)·강화로 나뉜다.
- Day 3: 전통적 프로그래밍은
데이터+규칙→결과, ML은 데이터+결과→규칙. ML은 규칙이 복잡하고 데이터가 충분할 때 적합하다.
- Day 4: 특성+레이블로 학습해 모델을 만들고, 추론으로 예측하며, 테스트 데이터로 과적합을 점검한다.
- 시험 단골 함정: 분류 vs 회귀(범주/숫자), 분류 vs 군집(레이블 유무), 과적합(=암기지 학습 부족이 아님).
복습은 암기가 아니라 개념이 어떻게 연결되는지를 다시 그려 보는 시간이다.
[Day1] AI > ML > DL 관계
↓
[Day2] ML의 학습 유형 (지도·비지도·강화)
↓
[Day3] ML이 적합한 문제 vs 아닌 문제
↓
[Day4] 핵심 용어 (모델·학습·추론·특성·레이블·과적합)
- AI ⊃ 머신러닝 ⊃ 딥러닝
- AI: 지능적 행동을 흉내 내는 모든 기술(규칙 기반 포함)
- 머신러닝: 데이터로부터 규칙을 학습하는 방법
- 딥러닝: 신경망을 깊게 쌓은 머신러닝의 한 종류
- 사람이 규칙을 직접 적은 시스템은 AI일 수 있어도 머신러닝은 아니다.
| 학습 유형 | 정답(레이블) | 대표 작업 |
|---|
| 지도학습 | 있음 | 분류(범주), 회귀(숫자) |
| 비지도학습 | 없음 | 군집, 차원 축소 |
| 강화학습 | 보상으로 대체 | 게임·로봇·제어 |
자주 헷갈리는 두 쌍을 다시 정리한다.
- 분류 vs 회귀: 출력이 범주면 분류, 숫자면 회귀.
- 분류 vs 군집: 정답 레이블이 있으면 분류, 없으면 군집.
- 전통적 프로그래밍:
데이터 + 규칙 → 결과
- 머신러닝:
데이터 + 결과 → 규칙
| 머신러닝이 적합 | 머신러닝이 부적합 |
|---|
| 규칙이 복잡하거나 정의하기 어려움 | 규칙이 단순·명확함 |
| 데이터가 충분함 | 데이터가 거의 없음 |
| 약간의 오차 허용 가능 | 100% 정확성·완전한 설명 필수 |
- 가장 단순하면서 충분한 방법을 고르는 것이 좋은 설계다.
특성 + 레이블 [학습 데이터]
↓ 학습(Training)
[모델] 완성
↓ 추론(Inference)
새 입력(특성) → 예측된 레이블
↓
[테스트 데이터]로 평가 → 과적합/과소적합 점검
- 모델: 학습된 규칙 덩어리
- 학습 vs 추론: 모델을 만드는 과정 vs 만든 모델로 예측하는 과정
- 특성 vs 레이블: 입력 정보 vs 맞혀야 할 정답
- 과적합 vs 과소적합: 학습 데이터만 외운 상태 vs 학습이 부족한 상태
💡 관련 이론: 이번 주 내용은 AIF-C01 시험의 "AI/ML 기초 개념" 영역의 토대입니다. 이 흐름을 명확히 이해해야 이후 생성형 AI, AWS AI 서비스 같은 심화 주제를 무리 없이 따라갈 수 있습니다.
| 함정 | 올바른 이해 |
|---|
| "딥러닝이 가장 큰 개념" | AI가 가장 큼. 딥러닝이 가장 작음 |
| "분류와 회귀는 같다" | 분류=범주, 회귀=숫자 |
| "분류와 군집은 같다" | 정답 레이블 유무가 다름 |
| "머신러닝이 항상 더 좋다" | 단순 문제엔 전통적 방식이 유리 |
| "학습 데이터로 평가해도 된다" | 테스트 데이터로 평가해야 정직함 |
| "과적합 = 학습 부족" | 과적합은 오히려 너무 많이 외운 상태 |
- 다음 주차부터는 이 기초 위에서 머신러닝·딥러닝의 실제 활용과 생성형 AI 개념으로 확장한다. 이번 주 핵심 흐름을 꼭 정리해 두자.
- AI ⊃ ML ⊃ DL : "AI 안에 머신러닝이, 머신러닝 안에 딥러닝이 들어 있다"는 포함 관계 표기.
- 지도학습 : 문제와 정답을 함께 주고 배우게 하는 방식.
- 비지도학습 : 정답 없이 데이터만 주고 숨은 구조를 스스로 찾게 하는 방식.
- 강화학습 : 보상과 벌점을 주며 시행착오로 행동 요령을 익히게 하는 방식.
- 분류 vs 회귀 : 답이 "종류"면 분류, 답이 "숫자"면 회귀.
- 군집 : 정답 없이 비슷한 데이터끼리 자동으로 묶는 작업.
- 특성 vs 레이블 : 예측에 넣는 입력 정보가 특성, 맞혀야 할 정답이 레이블.
- 추론 : 완성된 모델에 새 입력을 넣어 답을 얻는 단계.
- 과적합 : 학습 데이터를 통째로 외워 새 데이터에서 힘을 못 쓰는 상태.
- 일반화 : 학습 때 못 본 데이터에서도 잘 맞히는 성질. 모델의 최종 목표.
📝 연습 문제
선택지를 클릭하면 정답·해설이 펼쳐집니다.
AI·머신러닝·딥러닝의 관계와 학습 유형에 대한 설명으로 옳은 것은?
"고객 데이터를 정답 없이 비슷한 성향끼리 자동으로 묶는다"와 "내일 기온이 몇 도일지 숫자로 예측한다"는 각각 어떤 작업인가?
어떤 업무에서 규칙이 매우 단순하고 명확하며("금액 × 고정 세율"), 결과는 항상 100% 정확해야 한다. 이에 대한 판단으로 가장 적절한 것은?
학습된 모델이 학습 데이터에서는 거의 완벽하지만 새로운 데이터에서는 성능이 크게 떨어졌다. 그리고 특성과 레이블의 정의를 묻는다. 옳은 설명은?
이번 주에 배운 내용을 종합할 때, 좋은 머신러닝 활용 판단으로 가장 적절한 것은?